10 recursos incríveis para aprender MLOps

O que é MLOps?

Em 2015, o Google publicou o artigo de pesquisa “Hidden Technical Debt in Machine Learning Systems”. Nele, Sculley et al. mostraram que escrever código de modelos preditivos de machine learning é apenas uma pequena parte do trabalho de construir, implantar e manter sistemas de machine learning em produção. O artigo sacudiu a área e, desde então, foi validado por inúmeras situações em que cientistas de dados têm dificuldade para levar seus modelos à produção. 

Nos últimos anos, surgiu a empolgante categoria de MLOps (Machine Learning Operations) com o objetivo de resolver os desafios de implantação enfrentados pelos times de dados. MLOps, ou Machine Learning Operations, é um conjunto de ferramentas, práticas, técnicas e cultura que garante a implantação confiável e escalável de sistemas de machine learning. À medida que a ciência de dados amadurece, MLOps é uma das especializações que mais crescem e que cientistas de dados podem seguir. 

Como MLOps ainda é uma área nascente, há poucas trilhas de aprendizado formalizadas. Mesmo assim, as comunidades de open source e de machine learning disponibilizaram uma ampla variedade de recursos gratuitos, altamente confiáveis e imediatamente úteis. Aqui estão 10 recursos gratuitos para você começar hoje a sua jornada em MLOps. 

1. Trilha de aprendizado MLOps Fundamentals 

A trilha de habilidades da DataCamp, MLOps Fundamentals, cobre o ciclo de vida completo de uma aplicação de machine learning, desde o levantamento de requisitos de negócio até as etapas de design, desenvolvimento, implantação, operação e manutenção. Esta trilha inclui cursos conceituais pensados para ajudar você a expandir seu conhecimento em ciência de dados para o mundo do software de machine learning em produção! Ao concluir a trilha, você estará com a mentalidade de MLOps e vai dominar conceitos como CI/CD e CM/CT, rastreamento de experimentos, registries de modelos, feature stores e diferentes estratégias de implantação

2. Machine Learning Engineering, de Andriy Burkov

Lançado originalmente em 2020, este livro é um dos poucos que cobrem os fundamentos do machine learning aplicado. Em vez de focar em uma ferramenta ou conceito específico, Burkov destrincha a arte e a ciência de construir e implantar um projeto de machine learning de ponta a ponta. Ao longo do livro, ele destaca os desafios mais comuns que os times de dados enfrentam ao colocar modelos em produção e como solucioná-los.

Você pode acessar o livro gratuitamente, pois ele segue o princípio “leia primeiro, compre depois” — ou seja, você lê e paga depois se achar que obteve valor. 

3. ML in Production Blog

Alguns dos melhores recursos sobre MLOps estão em newsletters e blogs de cientistas de dados em atividade. O ML in Production Blog and Newsletter, de Luigi Patruno, é um excelente exemplo. Ele compartilha regularmente conteúdos valiosos sobre como implantar e manter modelos em produção. Veja como ele descreve sua curadoria:

• Aplicada — conteúdo focado em ferramentas, padrões, plataformas e sistemas comprovados em produção.
• Focada em boas práticas — ciência de dados e machine learning são áreas que mudam rapidamente. Faltam profissionais com as habilidades necessárias para implantar esses sistemas e há carência de boas práticas consolidadas. A newsletter busca levar essas boas práticas para toda a comunidade.
• Voltada para aumentar a eficácia do trabalho — todo o conteúdo curado ajuda cientistas de dados, engenheiros de ML e profissionais de dados a adquirir e aprimorar competências de alto impacto e valorizadas pelo mercado.

4. Comunidade MLOps 

Aprender MLOps é melhor em grupo e com prática. Esta comunidade reúne profissionais para você acompanhar (ou fazer parte) e aprender com especialistas da área. Com blogs, vídeos e discussões ricas, é um ótimo caminho para ganhar base nesse universo.

5. Full Stack Deep Learning

Este curso oferece um conteúdo de altíssima qualidade sobre como levar modelos grandes e complexos para produção. Ele é ministrado por nomes de peso — engenheiros e cientistas de instituições como OpenAI e Stanford — e ainda traz palestras convidadas de líderes de empresas de machine learning de ponta, como Andrej Karpathy, da Tesla.

O curso ensina uma abordagem full stack para deep learning, incluindo:

• Formulação do problema e estimativa de custos do projeto
• Coleta, limpeza, rotulagem e aumento de dados
• Escolha do framework e da infraestrutura de computação
• Depuração do treinamento e garantia de reprodutibilidade
• Implantação de modelos em produção  

6. Made With ML, de Goku Mohandas

Goku Mohandas criou um curso fenomenal e aberto sobre como construir sistemas de machine learning de ponta a ponta. O Made with ML é um dos repositórios mais populares do GitHub, e mais de 30 mil pessoas já estão fazendo o curso.

As aulas cobrem do básico de machine learning aos detalhes de implantação, testes e monitoramento de modelos em produção. Goku trabalha a intuição por trás dos conceitos, propõe projetos mão na massa e apresenta boas práticas de engenharia de software essenciais para quem quer atuar em MLOps. 

7. Awesome production machine learning

Este repositório supercurado no GitHub é para quem quer mergulhar direto em pacotes, bibliotecas e ferramentas de ponta e praticar por conta própria. Todos os pacotes e ferramentas listados ajudam você a construir, implantar, monitorar, versionar, escalar e proteger sistemas de machine learning em produção.

Seja para rotulagem de dados, orquestração de treinamento de modelos, explicabilidade, serving, monitoramento e mais — certamente há vários pacotes aqui para você começar a experimentar nos seus projetos. Eles também divulgam a newsletter The ML Engineer, que mantém você atualizado com frameworks, tutoriais e artigos selecionados por profissionais de machine learning.

8. Tutorial de MLOps da DVC

DVC (Data Version Control) é um sistema de controle de versão open source para projetos de machine learning. A DVC estende o controle de versão do Git para conjuntos de dados e modelos. Além disso, o mesmo time por trás da DVC desenvolveu o Continuous Machine Learning (CML), uma ferramenta para adaptar sistemas de integração contínua como GitHub Actions e GitLab CI para machine learning.

Esta série curta no YouTube aborda conceitos importantes na interseção entre DevOps e Machine Learning. Ela equilibra bem teoria e prática e mostra como aplicar versionamento de dados com a DVC. 

9. Machine Learning Operations

Este recurso é, provavelmente, um dos mais completos. Reúne posts que destrincham os diferentes elementos de uma prática de MLOps bem-sucedida. Machine Learning Operations apresenta diretrizes, frameworks, códigos de conduta e tenta estabelecer padrões para MLOps.

Embora curto, é um ótimo ponto de partida para entender por que MLOps é importante, os princípios-chave de uma prática bem-sucedida, as ferramentas e os frameworks usados em MLOps e mais. 

10. MLOps – Machine Learning Operations, por AIEngineering 

O AIEngineering é provavelmente um dos melhores, senão o melhor, canal no YouTube para machine learning aplicado. Com mais de 60 mil inscritos, Srivatsan Srinivasan construiu uma audiência discutindo tudo sobre dados.

Há diversos vídeos e playlists aprofundados sobre MLOps e implantação de projetos de machine learning de ponta a ponta. Vale muito conferir. 

11. ML Engineering for Production ML Deployments with TFX, do TensorFlow

O Google criou uma das ferramentas mais usadas em machine learning com o TensorFlow. E foi além com o TensorFlow Extended (TFX). O TensorFlow Extended é uma plataforma de ponta a ponta para implantação de modelos de machine learning. Ele é composto por diversos pacotes para validação e transformação de dados, análise de modelos e muito mais. O TFX foi criado para facilitar o design de sistemas de machine learning sem exigir um esforço desproporcional de engenharia de software.

Esta playlist no YouTube, liderada pelo Google Developer Advocate Robert Crowe, apresenta conceitos e boas práticas essenciais de MLOps usadas no Google. Além disso, a documentação do TFX é uma leitura excelente — só de tentar usar o pacote com os guias, você já aprende bastante.

Saiba mais sobre MLOps 

Embora MLOps ainda esteja em seus primeiros passos, vale muito a pena sair na frente nas melhores práticas e ferramentas abordadas nos recursos acima. Se você quer se aprofundar em MLOps, confira também:

• A practical guide to MLOps, por Noah Gift
• Operationalizing Machine Learning with MLOps, com Alessya Visnjic
• From Predictions to Decisions, com Dan Becker 
• Nosso guia de certificações em MLOps